CN114002667A - 一种基于随机矩阵法的多近邻扩展目标跟踪算法 - Google Patents

一种基于随机矩阵法的多近邻扩展目标跟踪算法 Download PDF

Info

Publication number
CN114002667A
CN114002667A CN202111277241.7A CN202111277241A CN114002667A CN 114002667 A CN114002667 A CN 114002667A CN 202111277241 A CN202111277241 A CN 202111277241A CN 114002667 A CN114002667 A CN 114002667A
Authority
CN
China
Prior art keywords
measurement
target
time
track
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111277241.7A
Other languages
English (en)
Other versions
CN114002667B (zh
Inventor
兰剑
彭相阳
曹晓萌
张宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111277241.7A priority Critical patent/CN114002667B/zh
Publication of CN114002667A publication Critical patent/CN114002667A/zh
Application granted granted Critical
Publication of CN114002667B publication Critical patent/CN114002667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66Radar-tracking systems; Analogous systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于随机矩阵法的多近邻扩展目标跟踪算法,包括:接收初始时刻的量测数据,并初始化航迹;利用随机矩阵法对航迹假设进行状态和扩展形态一步预测;利用波门聚类法和层次聚类法分别进行量测聚类;将聚类得到的量测群与航迹假设相关联,生成数据关联假设;采用全局最近邻法选出最优假设;利用随机矩阵法对航迹假设进行状态和扩展形态更新;对航迹进行管理以生成、筛选、删除航迹,并输出航迹。本发明能够应用于智能交通、自动驾驶等领域,对存在多个扩展目标、目标间距离很近、目标运动模式多样、目标大小不同的环境下的多近邻扩展目标进行准确跟踪,解决目标距离很近造成的量测聚类易混淆,多目标的状态、扩展形态、目标数量联合估计等问题。

Description

一种基于随机矩阵法的多近邻扩展目标跟踪算法
技术领域
本发明涉及多近邻扩展目标跟踪技术,特别是一种针对于多个扩展目标、目标间距离很近、目标运动模式多样、目标大小不同的多扩展目标跟踪算法。
背景技术
目标跟踪是十分重要的支撑技术,对诸多面向高级复杂应用背景的信息处理系统至关重要,并在导弹制导及反导系统、自动驾驶系统等军事及民用领域中得到了广泛的应用与发展,具有重要的应用价值。
用于目标跟踪的传感器,包括雷达、声呐、光学仪器等,可提供关于目标数目、位置、速度等特征的带不确定性干扰的量测数据。相较于其他传感器,毫米波雷达可全天候全天时工作、性能稳定、受天气影响小、抗干扰反隐身、价格低廉,是目标跟踪领域内对中远距离目标探测的首要选择。
毫米波雷达回波数少、杂波密集、无成像能力。基于毫米波雷达的目标跟踪面临两大难点:目标层面和量测层面。目标层面包括(1)机动目标跟踪:目标运动模式多样;(2)多目标跟踪:目标个数时变且未知。量测层面包括(1)数据关联:雷达量测来源(车辆、行人、建筑物)未知,对正确的数据关联形成挑战;(2)干扰去除:跟踪场景复杂,存在海量杂波干扰;(3)扩展目标跟踪:单个目标可能产生多个量测,且量测个数未知,如何利用多个量测联合估计该目标的状态和形态是一大挑战。
以上难点可概括为复杂环境密集场景下的多扩展目标跟踪问题,即需要实时跟踪多个目标,联合推断出目标的数目、运动状态(位置、速度、加速度)及扩展形态(大小、朝向)。然而传统的目标跟踪理论与技术往往针对多个点目标或单个扩展目标,不能直接用于解决多扩展目标跟踪问题。因此要在传统的目标跟踪技术的基础上,提出新的多扩展目标跟踪算法。
多扩展目标跟踪问题的一大难点在于数据关联。实际场景存在海量的干扰量测,这些干扰可来自于建筑物、树木、马路等,对正确的数据关联构成挑战。即便没有这些干扰,若目标间距离较近,传统聚类算法如层次聚类法、k-means法、DB-scans等难以准确聚类,会导致目标状态的估计出现较大误差。
因此,提供一种针对于多个扩展目标、目标间距离很近、目标运动模式多样、目标大小不同的多扩展目标跟踪算法成为目前亟待解决的技术问题。
发明内容
本发明的目的在于解决现有跟踪算法无法实现多扩展目标跟踪、量测聚类与数据关联极易出错等问题。本发明提出一种新的基于波门的聚类算法用于数据关联,提升了近邻目标量测聚类的准确性,降低了目标状态的估计误差;本发明结合随机矩阵法与全局最近邻法,构建了一个融合了扩展目标跟踪技术和多目标跟踪技术的算法框架,实现了多扩展目标跟踪,联合推断出目标的数目、运动状态(位置、速度、加速度)及扩展形态(大小、朝向)。本发明最终实现了对存在多个扩展目标、目标间距离很近、目标运动模式多样、目标大小不同环境下的多近邻扩展目标进行准确跟踪。
本发明是通过下述技术方案来实现的。
本发明提供的一种基于随机矩阵法的多近邻扩展目标跟踪算法,包括以下步骤:
S101:接收初始时刻的量测数据,初始化航迹;
S102:利用随机矩阵法对上一个时刻的航迹假设进行状态和扩展形态的一步预测;
S103:接收当前时刻的量测数据,采用波门聚类法和层次聚类法分别进行量测聚类;
S104:将当前时刻的量测群与上一个时刻的航迹假设相关联,生成若干数据关联假设;
S105:采用全局最近邻法选出最优航迹假设;
S106:利用随机矩阵法对当前时刻的航迹假设进行状态和形态更新;
S107:航迹管理与输出。
对于上述技术方案,本发明还有进一步优选的方案:
优选的,所述步骤S101包括如下步骤:
11)将初始时刻的极坐标系下的传感器量测转换到直角坐标系下;
12)采用层次聚类法对传感器量测进行聚类,得到若干个量测群,每一个量测群包括若干个量测点;
13)每一个量测群代表一个可能的目标,根据量测数据和先验信息初始化目标的状态、形态参数和生命值。
进一步,步骤12)中,层次聚类法包括如下步骤:
121)对于k时刻nk个量测数据,计算每两个量测间的距离;
122)将量测数据分组到一个二进制的分层聚类树中,依据两个类之间的最短、最长、平均距离或是核距离进行分组;
123)根据设定的阈值分割聚类树,将量测数据分为若干类。
优选的,所述步骤S102包括如下步骤:
21)利用随机矩阵法对上一个时刻的航迹假设进行状态一步预测;
22)利用随机矩阵法对上一个时刻的航迹假设进行扩展形态一步预测。
优选的,所述步骤S103包括如下步骤:
31)将k时刻的极坐标系下的传感器量测转换到直角坐标系下;
32)采用波门聚类法处理k时刻的传感器量测,得到若干个量测群;
33)采用层次聚类法处理上一步中未被聚类的,即处于任意波门之外的k时刻的传感器量测,再得到若干个量测群。
进一步,步骤32)中,波门聚类法步骤如下:
基于k-1时刻的目标状态与形态,得到k时刻目标的预测状态与预测形态;
根据k时刻目标的预测状态与预测形态生成波门;
根据波门划分k时刻的量测数据,落在同一个波门内的量测即聚为同一类。
33)采用层次聚类法处理上一步中未被聚类的,即处于任意波门之外的k时刻的传感器量测,再得到若干个量测群。
优选的,所述步骤S104包括如下步骤:
41)采用椭形跟踪门确定量测群是否与航迹关联上;
42)若量测群进入某个模型的波门,则认为量测群与航迹关联上了,并生成一个相应的数据关联假设。其中,有可能存在某一个航迹不与任何量测群关联,即该航迹在当前时刻没有对应的量测;也可能存在某一个量测群不与任何航迹关联,即该量测群代表一个新生目标,则按照步骤一所述方式进行初始化得到新航迹。
优选的,所述步骤S105包括如下步骤:
51)计算量测群中所有量测的均值和量测的个数;
52)对于一个假设,定义量测与目标预测位置间的距离为新息向量的加权范数;
53)数据关联:选择全局最优假设,使得全局统计距离最小,同时满足条件:一条航迹最多与一个量测群关联,一个量测群最多与一条航迹关联。可以通过线性规划来完成选择。
优选的,所述步骤S106包括如下步骤:
61)利用随机矩阵法对当前时刻的航迹假设进行状态更新;
62)利用随机矩阵法对当前时刻的航迹假设进行扩展形态更新。
优选的,所述步骤S107包括如下步骤:
71)若某个航迹在当前时刻没有与任何量测群关联,将其生命值减一;
72)遍历航迹,若航迹生命值为0,则将航迹终止标志置为1,否则将航迹终止标志置为0;
73)对于航迹终止标志为0的航迹删除,不再进行输出;
74)对于航迹终止标志为1的航迹,若航迹历史关联次数小于3次,则暂时将航迹进行保留,但不输出;
75)对于航迹终止标志为1的航迹,若航迹历史关联次数大于等于3次,则将航迹输出。
本发明由于采取以上技术方案,其具有以下有益效果:
本发明提出一种新的基于波门的聚类算法用于数据关联,提升了对近邻目标的聚类准确性,降低了目标状态的估计误差;本发明结合随机矩阵法与全局最近邻法,创造性地提出一个融合了扩展目标跟踪技术和多目标跟踪技术的算法框架,实现了多扩展目标跟踪,联合推断出目标的数目、运动状态(位置、速度、加速度)及扩展形态(大小、朝向)。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的不当限定,在附图中:
图1为基于随机矩阵法的多近邻扩展目标跟踪算法流程图;
图2为仿真场景示意图;
图3(a)-3(f)为仿真场景下是否采用波门聚类法的多近邻扩展目标跟踪算法的结果比较示意图;
其中图3(a)-3(b)为只使用层次聚类法的某两个时刻的聚类和估计结果,图3(c)-3(d)为以波门聚类法为主、层次聚类法为辅的某两个时刻的聚类和估计结果,图3(e)只使用层次聚类法的跟踪算法整体结果,图3(f)为以波门聚类法为主、层次聚类法为辅的跟踪算法整体结果;
图4为实测场景示意图;
图5为雷达坐标系下的无干扰的回波数据示意图;
图6(a)-6(f)为实测场景下是否采用波门聚类法的多近邻扩展目标跟踪算法的结果比较示意图;
其中图6(a)-6(b)为只使用层次聚类法的某两个时刻的聚类和估计结果,图6(c)-6(d)为以波门聚类法为主、层次聚类法为辅的某两个时刻的聚类和估计结果,图6(e)为只使用层次聚类法的跟踪算法整体结果,图6(f)为以波门聚类法为主、层次聚类法为辅的跟踪算法整体结果。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
如图1所示,本发明实施例提供一种基于随机矩阵法的多近邻扩展目标跟踪算法,包括以下步骤:
S101:接收初始时刻的量测数据,初始化航迹。
具体包括如下步骤:
11)将初始时刻的极坐标系下的传感器量测转换到直角坐标系下;
12)采用层次聚类法对传感器量测进行聚类,得到若干个量测群,每一个量测群包括若干个量测点。
其中,层次聚类法步骤如下:
121)对于k时刻nk个量测数据
Figure BDA0003329891690000071
计算每两个量测
Figure BDA0003329891690000072
Figure BDA0003329891690000073
(i≠j)间的距离;距离有多种计算方式:欧氏距离、马氏距离、街区距离、闵可夫斯基距离、切比雪夫距离、汉明距离等;此处可采用欧氏距离或马氏距离;
122)将量测数据分组到一个二进制的分层聚类树中;分组的依据可以是两个类之间的最短、最长、平均距离或是核距离;在多扩展目标跟踪中可以根据实际应用场景来选择合适的分组依据;
123)根据设定的阈值分割聚类树,将量测数据分为若干类;阈值的选择应充分考虑实际目标的大小、目标间的距离等先验信息。
13)每一个量测群代表一个可能的目标,根据量测数据和先验信息初始化以下目标的状态、形态参数和生命值。
其中,初始化方式具体如下:
每一个量测群代表一个可能的目标,根据量测数据和先验信息初始化以下目标的状态和形态参数:目标的初始状态
Figure BDA0003329891690000074
目标的初始状态的协方差矩阵P0,目标的初始扩展形态
Figure BDA0003329891690000075
目标的初始扩展形态的自由度
Figure BDA0003329891690000076
目标的初始状态
Figure BDA0003329891690000077
包括位置和速度信息,具体为:
Figure BDA0003329891690000078
Figure BDA0003329891690000079
其中,
Figure BDA00033298916900000710
为量测群中位置量测的均值,
Figure BDA00033298916900000711
为真正的量测噪声的位置项,
Figure BDA00033298916900000712
为过程噪声的速度项,T为量测的更新周期;另外,
Figure BDA00033298916900000713
可以设置为定值,并使
Figure BDA00033298916900000714
表示的椭圆大致符合目标的先验形态信息;另外,每条航迹初始化其生命值为一个正整数,例如初始生命值为3。
S102:利用随机矩阵法对上一个时刻的航迹假设进行状态和扩展形态的一步预测;
具体包括如下步骤:
21)利用随机矩阵法对上一个时刻的航迹假设进行状态一步预测;运动状态的运动模型如下:
Figure BDA0003329891690000081
式中,xk为k时刻的运动状态,Φk为状态转移矩阵,xk-1为k-1时刻的运动状态,wk为过程噪声,
Figure BDA0003329891690000082
为均值为0,方差为
Figure BDA0003329891690000083
的高斯分布,Dk为一维物理空间模型中的过程噪声的协方差矩阵,
Figure BDA0003329891690000084
为Kronecker乘积,Xk为扩展形态;
其中,
Figure BDA0003329891690000085
Fk为一维物理空间上的状态转移矩阵,Id为单位矩阵,d为物理空间的维度;
Figure BDA0003329891690000086
Figure BDA0003329891690000087
为单维方向上加速度的方差,
Figure BDA0003329891690000088
为参数矩阵;
Figure BDA0003329891690000089
表示k时刻的nk个量测数据组成的集合,令
Figure BDA00033298916900000810
表示k-1时刻及之前的量测信息;
运动状态的一步预测为:
Figure BDA00033298916900000811
Figure BDA00033298916900000812
式中,
Figure BDA00033298916900000813
为对k时刻的目标状态的一步预测值,
Figure BDA00033298916900000814
为k-1时刻的运动状态的估计值,Pk|k-1为对k时刻的目标状态的协方差的一步预测值,Fk为一维物理空间上的状态转移矩阵;
22)利用随机矩阵法对上一个时刻的航迹假设进行扩展形态一步预测;形态演化模型描述和刻画了目标的形态随着时间的变化
Figure BDA00033298916900000815
式中,Xk为k时刻的扩展形态,Xk-1为k-1时刻的扩展形态,
Figure BDA0003329891690000091
为Wishart分布,δk为演化分布的自由度,Ak为形态演化矩阵;
扩展形态的一步预测为:
Figure BDA0003329891690000092
Figure BDA0003329891690000093
Figure BDA0003329891690000094
式中:
Figure BDA0003329891690000095
为对k时刻的目标扩展形态的一步预测,
Figure BDA0003329891690000096
为对k-1时刻的目标扩展形态的估计值,
Figure BDA0003329891690000097
为对k时刻的目标扩展形态的自由度的一步预测,
Figure BDA0003329891690000098
为对k-1时刻的目标扩展形态的自由度的估计值,d为物理空间的维度,λk-1为中间变量。
S103:接收当前时刻的量测数据,采用波门聚类法和层次聚类法分别进行量测聚类;
具体包括如下步骤:
31)将k时刻的极坐标系下的传感器量测转换到直角坐标系下;
32)采用波门聚类法处理k时刻的传感器量测,得到若干个量测群;
其中,波门聚类法步骤如下:
321)基于k-1时刻的目标状态
Figure BDA0003329891690000099
与形态Pk-1,得到k时刻目标的预测状态
Figure BDA00033298916900000910
与预测形态
Figure BDA00033298916900000911
322)根据k时刻目标的预测状态
Figure BDA00033298916900000912
与预测形态
Figure BDA00033298916900000913
生成波门
Figure BDA00033298916900000914
波门
Figure BDA00033298916900000915
定义为:
Figure BDA00033298916900000916
式中,z为量测点,
Figure BDA0003329891690000101
为对k时刻的目标的量测的预测值;
Figure BDA0003329891690000102
为k时刻目标的扩展形态的一步预测,Sk为关于波门大小的参数,γ2为阈值;
Sk按如下计算得到:
Figure BDA0003329891690000103
式中,Pk|k-1为对k时刻的目标状态的协方差的一步预测值,Hk为量测矩阵,Bk为形态观测矩阵,d为物理空间的维度;
γ2按如下计算得到:
Figure BDA0003329891690000104
式中,PG为门限概率,
Figure BDA0003329891690000105
为对k时刻的目标扩展形态的自由度的一步预测;
323)根据波门
Figure BDA0003329891690000106
划分k时刻的量测数据
Figure BDA0003329891690000107
落在同一个波门内的量测即聚为同一类;
33)采用层次聚类法处理上一步中未被聚类的,即处于任意波门之外的k时刻的传感器量测,再得到若干个量测群。
S104:将当前时刻的量测群与上一个时刻的航迹假设相关联,生成若干数据关联假设;
具体包括如下步骤:
41)采用椭形跟踪门确定量测群是否与航迹关联上,跟踪门
Figure BDA0003329891690000108
定义为:
Figure BDA0003329891690000109
式中,z为量测点,
Figure BDA00033298916900001010
为对k时刻的目标的量测的预测值;
Figure BDA00033298916900001011
为k时刻目标的扩展形态的一步预测,G为设定的阈值;
Sk按如下计算得到:
Figure BDA00033298916900001012
式中,Pk|k-1为对k时刻的目标状态的协方差的一步预测值,Hk为量测矩阵,Bk为形态观测矩阵,d为物理空间的维度,nk为k时刻的量测的个数;
42)若量测群进入某个模型的波门,则认为量测群与航迹关联上了,并生成一个相应的数据关联假设,记为假设Hij,其中1≤i≤nk表示当前时刻的量测群,1≤j≤tk-1表示上一个时刻的航迹;其中,存在某一个航迹不与任何量测群关联,即该航迹在当前时刻没有对应的量测;或存在某一个量测群不与任何航迹关联,即该量测群代表一个新生目标。
S105:采用全局最近邻法选出最优假设;
具体包括如下步骤:
51)计算量测群i中所有量测的均值记为
Figure BDA0003329891690000111
量测的个数为nk,i
52)对于一个假设Hij,定义量测与目标预测位置间的距离为新息向量的加权范数:
Figure BDA0003329891690000112
式中,
Figure BDA0003329891690000113
为量测与目标预测位置间的距离,
Figure BDA0003329891690000114
为量测群i中所有量测的均值,
Figure BDA0003329891690000115
为假设Hij对应的目标的量测的预测值,
Figure BDA0003329891690000116
为假设Hij对应的目标的扩展形态的一步预测的一个参数;
其中,
Figure BDA0003329891690000117
Hk为量测矩阵,Id为单位矩阵,
Figure BDA0003329891690000118
为Kronecker乘积,d为物理空间的维度,
Figure BDA0003329891690000119
为假设Hij对应的目标的运动状态的一步预测,Sk,ij为关于波门大小的参数;
Sk,ij按如下计算得到:
Figure BDA00033298916900001110
式中,Pk|k-1,ij为假设Hij对应的对k时刻的目标状态的协方差的一步预测值,Bk为形态观测矩阵,nk,i为k时刻的量测群i中量测的个数;
53)数据关联:选择全局最优假设,使得全局统计距离最小,同时满足条件:一条航迹最多与一个量测群关联,一个量测群最多与一条航迹关联;可以通过线性规划来完成选择;目标函数为:
Figure BDA0003329891690000121
式中,nk为k时刻的量测的个数,tk-1为k-1时刻的航迹个数,i表示量测序号,j表示航迹序号,xij表示假设Hij是否被选中;
约束条件为:
Figure BDA0003329891690000122
Figure BDA0003329891690000123
Figure BDA0003329891690000124
得到最优解为X*={xij},其中
Figure BDA0003329891690000125
S106:利用随机矩阵法对当前时刻的航迹假设进行状态和形态更新;
具体包括如下步骤:
61)利用随机矩阵法对当前时刻的航迹假设进行状态更新;设k时刻量测值集合为
Figure BDA0003329891690000126
nk为k时刻量测值的个数;在随机矩阵的框架下,给出如下的量测模型结构:
Figure BDA0003329891690000127
式中,
Figure BDA0003329891690000128
为量测,
Figure BDA0003329891690000129
为系统的量测矩阵,xk为k时刻的运动状态,
Figure BDA00033298916900001210
为独立高斯白噪声;
其中,
Figure BDA0003329891690000131
Hk为一维物理空间中将状态向量转化为位置标量的线性矩阵,Id为单位矩阵,
Figure BDA0003329891690000132
为Kronecker乘积,d为物理空间的维度,
Figure BDA0003329891690000133
的分布为均值为0,方差为
Figure BDA0003329891690000134
的高斯分布,Bk是形态观测矩阵,Xk为k时刻的扩展形态。
运动状态的更新为:
Figure BDA0003329891690000135
式中,
Figure BDA0003329891690000136
为k时刻的运动状态的估计值,
Figure BDA0003329891690000137
为对k时刻的目标状态的一步预测值,Kk为滤波增益,Id为单位矩阵,
Figure BDA0003329891690000138
为Kronecker乘积,Gk为估计误差,Pk为k时刻的运动状态的协方差的估计值,Pk|k-1为对k时刻的目标状态的协方差的一步预测值,Sk为新息协方差矩阵;
其中,新息协方差矩阵Sk按如下计算:
Figure BDA0003329891690000139
滤波增益Kk按如下计算:
Figure BDA00033298916900001310
估计误差Gk按如下计算:
Figure BDA00033298916900001311
式中,
Figure BDA00033298916900001312
为k时刻量测数据的均值;
根据正态分布的性质可以得到
Figure BDA00033298916900001313
即对k时刻的目标状态的跟踪结果;
62)利用随机矩阵法对当前时刻的航迹假设进行扩展形态更新;基于量测模型结构,可以得到扩展形态的更新为:
Figure BDA00033298916900001314
式中,
Figure BDA0003329891690000141
为对k时刻的目标扩展形态的估计值,
Figure BDA0003329891690000142
为对k时刻的目标扩展形态的一步预测,Bk为形态观测矩阵,
Figure BDA0003329891690000143
为k时刻量测数据的协方差的nk-1倍,nk为k时刻的量测的个数,
Figure BDA0003329891690000144
为对k时刻的目标扩展形态的自由度的估计值,
Figure BDA0003329891690000145
为对k时刻的目标扩展形态的自由度的一步预测;
根据逆Wishart分布的性质可以得到
Figure BDA0003329891690000146
即对k时刻的目标扩展形态的跟踪结果。
S107:航迹管理与输出;
具体包括如下步骤:
71)若某个航迹在当前时刻没有与任何量测群关联,将其生命值减一;
72)遍历航迹,若航迹生命值为0,则将航迹终止标志置为1,否则将航迹终止标志置为0;
73)对于航迹终止标志为0的航迹删除,不再进行输出;
74)对于航迹终止标志为1的航迹,若航迹历史关联次数小于3次,则暂时将航迹进行保留,但不输出;
75)对于航迹终止标志为1的航迹,若航迹历史关联次数大于等于3次,则将航迹进行输出。
下面通过具体实施例来进一步说明本发明。
S101:接收起始时刻的毫米波雷达量测,并将其转换到以毫米波雷达为原点的传感器直角坐标系下,然后再视情况基于传感器的位置、位姿转换到绝对直角坐标系下;然后以层次聚类法处理雷达量测,得到若干量测群;最后按照航迹初始化方法,以一个量测群代表一个可能的目标初始化若干条航迹;
S102:初始化之后,根据运动模型和形态演化模型,利用随机矩阵法对上一个时刻的航迹假设进行状态和扩展形态一步预测,得到各假设下的航迹在k时刻的状态预测参数
Figure BDA0003329891690000151
Pk|k-1和形态预测参数
Figure BDA0003329891690000152
S103:接收k时刻的毫米波雷达量测,并将其转换到以毫米波雷达为原点的传感器直角坐标系下,然后再视情况基于传感器的位置、位姿转换到绝对直角坐标系下;然后基于k时刻的状态预测
Figure BDA0003329891690000153
状态预测误差协方差Pk|k-1、形态预测参数
Figure BDA0003329891690000154
生成波门
Figure BDA0003329891690000155
并以波门划分量测,落在同一个波门内的量测即聚为同一类;最后,由于波门并不能完全圈住所有的量测,对于剩下的量测,采用层次聚类法处理,再得到若干个量测群;最终将k时刻的毫米波雷达量测分为若干量测群;
S104:基于k时刻的状态预测
Figure BDA0003329891690000156
状态预测误差协方差Pk|k-1、形态预测参数
Figure BDA0003329891690000157
生成椭形跟踪门(考虑到目标机动、量测噪声及估计不准确等情况,这里的跟踪门可以较大),排除与航迹距离较远的量测群,从而减少生成的假设数,减小计算量;若量测群进入某个模型的波门,则认为量测群与航迹关联上了,并生成一个相应的数据关联假设;其中,有可能存在某一个航迹不与任何量测群关联,即该航迹在当前时刻没有对应的量测;也可能存在某一个量测群不与任何航迹关联,即该量测群代表一个新生目标,则按照航迹初始化方法得到一条新航迹;
S105:按照定义计算量测与目标预测位置间的距离;然后在满足假设一条航迹最多与一个量测群关联,一个量测群最多与一条航迹关联的情况下,利用线性规划等优化方法,选择全局最优假设,使得全局统计距离最小;
S106:选取最优假设后,即可得到每个目标在k时刻对应的毫米波雷达量测,并根据量测模型,利用随机矩阵法对上一个时刻的航迹假设进行状态和扩展形态更新,得到各目标在k时刻的状态估计参数
Figure BDA0003329891690000158
Pk和形态估计参数
Figure BDA0003329891690000159
并根据正态分布和逆Wishart分布的性质可以得到E[xk|Zk]和E[Xk|Zk],即k时刻每个目标的状态和扩展形态的估计结果;
S107:若某个航迹在当前时刻没有与任何量测群关联,将其生命值减一;遍历航迹,若航迹生命值为0,则将航迹终止标志置为1,否则将航迹终止标志置为0;对于航迹终止标志为0的航迹删除,不再进行输出;对于航迹终止标志为1的航迹,若航迹历史关联次数小于3次,则暂时将航迹进行保留,但不输出;对于航迹终止标志为1的航迹,若航迹历史关联次数大于等于3次,则将航迹进行输出;然后转到S102,重复后续过程直至达到终止条件,如系统结束工作。
图2所示仿真场景中,有3个扩展目标(长4.5m、宽2m的矩形,与普通轿车大小相当)在二维平面内运动。初始时目标相隔较远,随后不断靠近(目标1通过转弯靠近目标2,目标3速度较慢并逐渐被目标1、2追上),最后并排前行。目标1、2运动速率为10m/s,目标3运动速率为9m/s。无噪声量测均匀采样自目标的形态。量测噪声服从高斯分布,其均值为零,方差为Rk=diag([0.52,0.52])m2。采样间隔T=0.1s,每个采样时刻每个目标的量测个数服从均值为5的泊松分布。跟踪全过程时长7s,共70个采样时刻。
图3(a)-3(b)显示了仿真场景下只使用层次聚类法的某两个时刻的聚类和估计结果。第26步三个目标初步接近时,层次聚类法虽能勉强分出3个不同的类,但聚类结果的误差很大,导致目标的状态、形态的估计结果不准确。第56步时,三个目标进一步靠近,层次聚类法错误地将来自于两个真实目标的量测判断为一个目标的,导致目标的个数估计错误,状态、形态估计不准确。
图3(c)-3(d)显示了仿真场景下以波门聚类法为主、层次聚类法为辅的某两个时刻的聚类和估计结果。与只使用层次聚类法相比,波门聚类法正确地将3个目标的量测分为3类,准确性大幅提升,同时目标的状态、形态的估计误差也大幅减小。
图3(e)显示了仿真场景下只使用层次聚类法的跟踪算法整体结果,图3(f)显示了仿真场景下以波门聚类法为主、层次聚类法为辅的跟踪算法整体结果。在目标密集且间距较小的应用场景中,只使用层次聚类法的跟踪算法最后错误地将三个真实目标估计为一个目标T3,无法正确推断目标的个数和状态信息。而以波门聚类法为主、层次聚类法为辅的跟踪算法实现了多个近邻目标的精准跟踪。
图4所示实测场景中,只关注距离较近的5辆车,其中3辆前行、1辆左转弯、1辆右转弯。使用一辆搭载前向摄像头和前向毫米波雷达的小汽车跟踪这5辆车。
图5显示了雷达坐标系下这些目标车辆在某一时刻的毫米波雷达回波数据(已去除杂波)。由图很难看出毫米波雷达探测到了几个目标,且难以判断每个目标分别所对应的量测。
图6(a)-6(b)显示了实测场景下只使用层次聚类法的某两个时刻的聚类和估计结果。尽管在第8步,层次聚类法效果尚可,但在第14步,层次聚类法错误地将来自于两个真实目标的量测判断为一个目标的,导致目标的个数估计错误,状态、形态估计不准确。
图6(c)-6(d)显示了实测场景下以波门聚类法为主、层次聚类法为辅的某两个时刻的聚类和估计结果。可见波门聚类法大幅提升了聚类的准确性,为多个目标的精准跟踪提供了保障。
图6(e)显示了实测场景下只使用层次聚类法的跟踪算法整体结果,图6(f)为显示了实测场景下波门聚类法为主、层次聚类法为辅的跟踪算法整体结果。可见,层次聚类法将不同目标的量测误判为同一类,严重影响了算法的跟踪性能;而波门聚类法一直保持着聚类的准确性,算法的估计结果更加稳定、准确。
以上实验结果验证了本发明提升了对近邻目标的聚类准确性,在目标间距离较近的场景中实现了多个扩展目标的精准跟踪,具有重大的理论和实践价值。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。

Claims (10)

1.一种基于随机矩阵法的多近邻扩展目标跟踪算法,其特征在于,包括以下步骤:
S101:接收初始时刻的量测数据,初始化航迹;
S102:利用随机矩阵法对上一个时刻的航迹假设进行状态和扩展形态的一步预测;
S103:接收当前时刻的量测数据,采用波门聚类法和层次聚类法分别进行量测聚类;
S104:将当前时刻的量测群与上一个时刻的航迹假设相关联,生成若干数据关联假设;
S105:采用全局最近邻法选出最优航迹假设;
S106:利用随机矩阵法对当前时刻的航迹假设进行状态和形态更新;
S107:航迹管理与输出。
2.根据权利要求1所述的方法,其特征在于,所述步骤S101包括如下步骤:
11)将初始时刻的极坐标系下的传感器量测转换到直角坐标系下;
12)采用层次聚类法对传感器量测进行聚类,得到若干个量测群,每一个量测群包括若干个量测点;
13)每一个量测群代表一个可能的目标,根据量测数据和先验信息初始化目标的状态、形态参数和生命值。
3.根据权利要求2所述的方法,其特征在于,步骤12)中,层次聚类法包括如下步骤:
121)对于k时刻nk个量测数据,计算每两个量测间的距离;
122)将量测数据分组到一个二进制的分层聚类树中,依据两个类之间的最短、最长、平均距离或是核距离进行分组;
123)根据设定的阈值分割聚类树,将量测数据分为若干类。
4.根据权利要求1所述的方法,其特征在于,所述步骤S102包括如下步骤:
21)利用随机矩阵法对上一个时刻的航迹假设进行状态一步预测;
运动状态的运动模型如下:
Figure FDA0003329891680000021
式中,xk为k时刻的运动状态,Φk为状态转移矩阵,xk-1为k-1时刻的运动状态,wk为过程噪声,
Figure FDA0003329891680000022
为均值为0,方差为
Figure FDA0003329891680000023
的高斯分布,Dk为一维物理空间模型中的过程噪声的协方差矩阵,
Figure FDA0003329891680000024
为Kronecker乘积,Xk为k时刻的扩展形态;
Figure FDA0003329891680000025
表示k时刻的nk个量测数据组成的集合,令
Figure FDA0003329891680000026
表示k-1时刻及之前的量测信息;
运动状态的一步预测为:
Figure FDA0003329891680000027
Figure FDA0003329891680000028
式中,
Figure FDA0003329891680000029
为对k时刻的目标状态的一步预测值,
Figure FDA00033298916800000210
为k-1时刻的运动状态的估计值,Pk|k-1为对k时刻的目标状态的协方差的一步预测值,Fk为一维物理空间上的状态转移矩阵,Pk-1为k-1时刻的运动状态的协方差的估计值;
22)利用随机矩阵法对上一个时刻的航迹假设进行扩展形态一步预测;
形态演化模型为
Figure FDA00033298916800000211
式中,Xk为k时刻的扩展形态,Xk-1为k-1时刻的扩展形态,
Figure FDA00033298916800000212
为Wishart分布,δk为演化分布的自由度,Ak为形态演化矩阵;
扩展形态的一步预测为:
Figure FDA0003329891680000031
Figure FDA0003329891680000032
Figure FDA0003329891680000033
式中:
Figure FDA0003329891680000034
为对k时刻的目标扩展形态的一步预测,
Figure FDA0003329891680000035
为对k-1时刻的目标扩展形态的估计值,
Figure FDA0003329891680000036
为对k时刻的目标扩展形态的自由度的一步预测,
Figure FDA0003329891680000037
为对k-1时刻的目标扩展形态的自由度的估计值,d为物理空间的维度,λk-1为中间变量。
5.根据权利要求1所述的方法,其特征在于,所述步骤S103包括如下步骤:
31)将k时刻的极坐标系下的传感器量测转换到直角坐标系下;
32)采用波门聚类法处理k时刻的传感器量测,得到若干个量测群;
33)采用层次聚类法处理上一步中未被聚类的,即处于任意波门之外的k时刻的传感器量测,再得到若干个量测群。
6.根据权利要求5所述的方法,其特征在于,步骤32)中,波门聚类法步骤如下:
321)基于k-1时刻的目标状态
Figure FDA0003329891680000038
与形态Pk-1,得到k时刻目标的预测状态
Figure FDA0003329891680000039
与预测形态
Figure FDA00033298916800000310
322)根据k时刻目标的预测状态
Figure FDA00033298916800000311
与预测形态
Figure FDA00033298916800000312
生成波门
Figure FDA00033298916800000313
波门
Figure FDA00033298916800000314
定义为:
Figure FDA00033298916800000315
式中,z为量测点,
Figure FDA00033298916800000316
为对k时刻的目标的量测的预测值;
Figure FDA00033298916800000317
为k时刻目标的扩展形态的一步预测,Sk为关于波门大小的参数,γ2为阈值;
Sk按如下计算得到:
Figure FDA0003329891680000041
式中,Pk|k-1为对k时刻的目标状态的协方差的一步预测值,Hk为量测矩阵,Bk为形态观测矩阵,d为物理空间的维度;
γ2按如下计算得到:
Figure FDA0003329891680000042
式中,PG为门限概率,
Figure FDA0003329891680000043
为对k时刻的目标扩展形态的自由度的一步预测;
323)根据波门
Figure FDA0003329891680000044
划分k时刻的量测数据,落在同一个波门内的量测即聚为同一类。
7.根据权利要求6所述的方法,其特征在于,所述步骤S104包括如下步骤:
41)采用椭形跟踪门确定量测群是否与航迹关联上,跟踪门
Figure FDA0003329891680000045
定义为:
Figure FDA0003329891680000046
式中,G为设定的阈值;
Sk按如下计算得到:
Figure FDA0003329891680000047
式中,nk为k时刻的量测的个数;
42)若量测群进入某个模型的波门,则认为量测群与航迹关联上了,并生成一个相应的数据关联假设,记为假设Hij,其中1≤i≤nk表示当前时刻的量测群,1≤j≤tk-1表示上一个时刻的航迹;
其中,存在某一个航迹不与任何量测群关联,即该航迹在当前时刻没有对应的量测;或存在某一个量测群不与任何航迹关联,即该量测群代表一个新生目标。
8.根据权利要求1所述的方法,其特征在于,所述步骤S105包括如下步骤:
51)计算量测群i中所有量测的均值记为
Figure FDA0003329891680000058
量测的个数为nk,i
52)对于一个假设Hij,定义量测与目标预测位置间的距离为新息向量的加权范数:
Figure FDA0003329891680000051
式中,
Figure FDA0003329891680000052
为量测与目标预测位置间的距离,
Figure FDA0003329891680000053
为量测群i中所有量测的均值,
Figure FDA0003329891680000054
为假设Hij对应的目标的量测的预测值,
Figure FDA0003329891680000055
为假设Hij对应的目标的扩展形态的一步预测,Sk,ij为关于波门大小的参数,Sk,ij按如下计算得到:
Figure FDA0003329891680000056
式中,Pk|k-1,ij为假设Hij对应的对k时刻的目标状态的协方差的一步预测值,Hk为量测矩阵,Bk为形态观测矩阵,d为物理空间的维度,nk,i为k时刻的量测群i中量测的个数;
53)数据关联:选择全局最优假设,使得全局统计距离最小,同时满足条件:一条航迹最多与一个量测群关联,一个量测群最多与一条航迹关联;通过线性规划来完成选择,线性规划目标函数为:
Figure FDA0003329891680000057
式中,nk为k时刻的量测的个数,tk-1为k-1时刻的航迹个数,i表示量测序号,j表示航迹序号,xij表示假设Hij是否被选中;
线性规划约束条件为:
Figure FDA0003329891680000061
Figure FDA0003329891680000062
Figure FDA0003329891680000063
得到最优解为X*={xij},其中
Figure FDA0003329891680000064
9.根据权利要求1所述的方法,其特征在于,所述步骤S106包括如下步骤:
61)利用随机矩阵法对当前时刻的航迹假设进行状态更新;
设k时刻量测值集合为
Figure FDA0003329891680000065
nk为k时刻量测值的个数,在随机矩阵的框架下,给出如下的量测模型结构:
Figure FDA0003329891680000066
式中,
Figure FDA0003329891680000067
为量测,
Figure FDA0003329891680000068
为系统的量测矩阵,xk为k时刻的运动状态,
Figure FDA0003329891680000069
为独立高斯白噪声;
运动状态的更新为:
Figure FDA00033298916800000610
式中,
Figure FDA00033298916800000611
为k时刻的运动状态的估计值,
Figure FDA00033298916800000612
为对k时刻的目标状态的一步预测值,Kk为滤波增益,Id为单位矩阵,
Figure FDA00033298916800000613
为Kronecker乘积,Gk为估计误差,Pk为k时刻的运动状态的协方差的估计值,Pk|k-1为对k时刻的目标状态的协方差的一步预测值,Sk为新息协方差矩阵;
根据正态分布的性质可以得到E[xk|Zk],即对k时刻的目标状态的跟踪结果;
62)利用随机矩阵法对当前时刻的航迹假设进行扩展形态更新;
基于量测模型结构,可以得到扩展形态的更新为:
Figure FDA0003329891680000071
式中,
Figure FDA0003329891680000072
为对k时刻的目标扩展形态的估计值,
Figure FDA0003329891680000073
为对k时刻的目标扩展形态的一步预测,Bk为形态观测矩阵,
Figure FDA0003329891680000074
为k时刻量测数据的协方差的nk-1倍,nk为k时刻的量测的个数,
Figure FDA0003329891680000075
为对k时刻的目标扩展形态的自由度的估计值,
Figure FDA0003329891680000076
为对k时刻的目标扩展形态的自由度的一步预测;
根据逆威沙特分布的性质可以得到E[Xk|Zk],即对k时刻的目标扩展形态的跟踪结果。
10.根据权利要求1所述的方法,其特征在于,所述步骤S107具体如下:
71)若某个航迹在当前时刻没有与任何量测群关联,将其生命值减一;
72)遍历航迹,若航迹生命值为0,则将航迹终止标志置为1,否则将航迹终止标志置为0;
73)对于航迹终止标志为0的航迹删除,不再进行输出;
74)对于航迹终止标志为1的航迹,若航迹历史关联次数小于3次,则暂时将航迹进行保留,但不输出;
75)对于航迹终止标志为1的航迹,若航迹历史关联次数大于等于3次,则将航迹输出。
CN202111277241.7A 2021-10-29 2021-10-29 一种基于随机矩阵法的多近邻扩展目标跟踪算法 Active CN114002667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111277241.7A CN114002667B (zh) 2021-10-29 2021-10-29 一种基于随机矩阵法的多近邻扩展目标跟踪算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111277241.7A CN114002667B (zh) 2021-10-29 2021-10-29 一种基于随机矩阵法的多近邻扩展目标跟踪算法

Publications (2)

Publication Number Publication Date
CN114002667A true CN114002667A (zh) 2022-02-01
CN114002667B CN114002667B (zh) 2024-09-27

Family

ID=79925691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111277241.7A Active CN114002667B (zh) 2021-10-29 2021-10-29 一种基于随机矩阵法的多近邻扩展目标跟踪算法

Country Status (1)

Country Link
CN (1) CN114002667B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814820A (zh) * 2022-05-12 2022-07-29 重庆交通职业学院 一种基于毫米波雷达的多扩展目标跟踪方法及其设备
CN115201806A (zh) * 2022-06-21 2022-10-18 深圳华创电科技术有限公司 多目标识别方法、装置、设备及存储介质
CN117075097A (zh) * 2023-10-12 2023-11-17 武汉理工大学三亚科教创新园 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统
CN117214857A (zh) * 2023-11-09 2023-12-12 中国人民解放军海军航空大学 一种三维场景下高斯多假设多扩展目标的跟踪方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09318741A (ja) * 1996-05-31 1997-12-12 Mitsubishi Electric Corp 目標追尾装置
US7719461B1 (en) * 2008-08-05 2010-05-18 Lockheed Martin Corporation Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path
CN102890274A (zh) * 2011-07-20 2013-01-23 镇江光宁航海电子科技有限公司 一种船用导航雷达arpa目标跟踪方法
EP3016072A1 (en) * 2014-10-30 2016-05-04 Thomson Licensing A method for estimating a function of the positions of a set of pixels in a reference frame, from an initial frame, and corresponding device, computer program product and computer-readable medium
US20180252804A1 (en) * 2017-03-02 2018-09-06 GM Global Technology Operations LLC Adaptive process noise description for improved kalman filter target tracking
US20180275265A1 (en) * 2017-03-23 2018-09-27 GM Global Technology Operations LLC Target tracking using region covariance
CN109031279A (zh) * 2018-06-23 2018-12-18 中国人民解放军海军航空大学青岛校区 具有形状信息的多个群目标跟踪方法
CN109035301A (zh) * 2018-07-11 2018-12-18 哈尔滨工业大学 一种基于斥力模型修正随机矩阵算法的群组目标跟踪方法
CN109633590A (zh) * 2019-01-08 2019-04-16 杭州电子科技大学 基于gp-vsmm-jpda的扩展目标跟踪方法
CN109901153A (zh) * 2019-03-29 2019-06-18 西安电子科技大学 基于信息熵权和最近邻域数据关联的目标航迹优化方法
CN112946624A (zh) * 2021-03-01 2021-06-11 西安交通大学 一种基于航迹管理方法的多目标跟踪算法
CN112946625A (zh) * 2021-02-04 2021-06-11 江南大学 基于b样条形状驱动多扩展目标航迹跟踪及分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09318741A (ja) * 1996-05-31 1997-12-12 Mitsubishi Electric Corp 目標追尾装置
US7719461B1 (en) * 2008-08-05 2010-05-18 Lockheed Martin Corporation Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path
CN102890274A (zh) * 2011-07-20 2013-01-23 镇江光宁航海电子科技有限公司 一种船用导航雷达arpa目标跟踪方法
EP3016072A1 (en) * 2014-10-30 2016-05-04 Thomson Licensing A method for estimating a function of the positions of a set of pixels in a reference frame, from an initial frame, and corresponding device, computer program product and computer-readable medium
US20180252804A1 (en) * 2017-03-02 2018-09-06 GM Global Technology Operations LLC Adaptive process noise description for improved kalman filter target tracking
CN108535720A (zh) * 2017-03-02 2018-09-14 通用汽车环球科技运作有限责任公司 用于改进的卡尔曼滤波目标跟踪的自适应过程噪声描述
US20180275265A1 (en) * 2017-03-23 2018-09-27 GM Global Technology Operations LLC Target tracking using region covariance
CN108627822A (zh) * 2017-03-23 2018-10-09 通用汽车环球科技运作有限责任公司 使用区域协方差进行目标跟踪
CN109031279A (zh) * 2018-06-23 2018-12-18 中国人民解放军海军航空大学青岛校区 具有形状信息的多个群目标跟踪方法
CN109035301A (zh) * 2018-07-11 2018-12-18 哈尔滨工业大学 一种基于斥力模型修正随机矩阵算法的群组目标跟踪方法
CN109633590A (zh) * 2019-01-08 2019-04-16 杭州电子科技大学 基于gp-vsmm-jpda的扩展目标跟踪方法
CN109901153A (zh) * 2019-03-29 2019-06-18 西安电子科技大学 基于信息熵权和最近邻域数据关联的目标航迹优化方法
CN112946625A (zh) * 2021-02-04 2021-06-11 江南大学 基于b样条形状驱动多扩展目标航迹跟踪及分类方法
CN112946624A (zh) * 2021-03-01 2021-06-11 西安交通大学 一种基于航迹管理方法的多目标跟踪算法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ABDULKADIR ERYILDIRIM: "A Bernoulli Filter for Extended Target Tracking Using Random Matrices in a UWB Sensor Network", IEEE SENSORS JOURNAL, 22 March 2016 (2016-03-22) *
SANTAS, E: "A Random Matrix Measurement Update Using Taylor-Series Approximations", 21ST INTERNATIONAL CONFERENCE ON INFORMATION FUSION (FUSION), 31 December 2018 (2018-12-31) *
廉杰: ";航迹起始及机动目标跟踪方法的研究", 《中国硕士学位论文全文数据库 信息科技辑》, 15 December 2006 (2006-12-15) *
廉杰: "航迹起始及机动目标跟踪方法的研究", 《中国硕士学位论文全文数据库 信息科技辑》, 15 December 2006 (2006-12-15) *
张静: "基于多信息融合的多目标跟踪方法研究", 计算机测量与控制, 25 September 2020 (2020-09-25) *
赵艳丽: "目标跟踪中的数据关联和航迹管理", 《现代雷达》, 15 March 2007 (2007-03-15) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814820A (zh) * 2022-05-12 2022-07-29 重庆交通职业学院 一种基于毫米波雷达的多扩展目标跟踪方法及其设备
CN115201806A (zh) * 2022-06-21 2022-10-18 深圳华创电科技术有限公司 多目标识别方法、装置、设备及存储介质
CN117075097A (zh) * 2023-10-12 2023-11-17 武汉理工大学三亚科教创新园 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统
CN117075097B (zh) * 2023-10-12 2023-12-22 武汉理工大学三亚科教创新园 一种基于扩展目标簇划分的海事雷达目标跟踪方法及系统
CN117214857A (zh) * 2023-11-09 2023-12-12 中国人民解放军海军航空大学 一种三维场景下高斯多假设多扩展目标的跟踪方法
CN117214857B (zh) * 2023-11-09 2024-02-02 中国人民解放军海军航空大学 一种三维场景下高斯多假设多扩展目标的跟踪方法

Also Published As

Publication number Publication date
CN114002667B (zh) 2024-09-27

Similar Documents

Publication Publication Date Title
CN114002667A (zh) 一种基于随机矩阵法的多近邻扩展目标跟踪算法
CN107341819B (zh) 目标跟踪方法及存储介质
KR101402206B1 (ko) 운동학 및 형상 정보를 활용한 다중 표적 추적 방법
CN112991391A (zh) 一种基于雷达信号和视觉融合的车辆检测与跟踪方法
CN110542885A (zh) 一种复杂交通环境下的毫米波雷达目标跟踪方法
KR102168288B1 (ko) 다중 라이다를 이용한 다중 물체 추적 시스템 및 방법
CN103064086A (zh) 一种基于深度信息的车辆跟踪方法
KR102456151B1 (ko) 레이더 및 카메라 기반의 센서 퓨전 시스템 및 주변 차량의 위치 산출 방법
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN114998276B (zh) 一种基于三维点云的机器人动态障碍物实时检测方法
CN108732564B (zh) 一种双雷达修正序贯高斯混合概率假设密度滤波方法
CN116681730A (zh) 一种目标物追踪方法、装置、计算机设备和存储介质
CN117214857B (zh) 一种三维场景下高斯多假设多扩展目标的跟踪方法
Dimitrievski et al. People tracking by cooperative fusion of RADAR and camera sensors
CN118033622A (zh) 目标跟踪方法、装置、设备及计算机可读存储介质
CN113077495B (zh) 在线多目标跟踪方法、系统、计算机设备及可读存储介质
Blasch Modeling Intent for a target tracking and identification Scenario
CN117522922A (zh) 环境自适应感知的目标跟踪方法、系统及设备
Stellet et al. Post processing of laser scanner measurements for testing advanced driver assistance systems
JP4166651B2 (ja) 目標追尾装置
JP2004219300A (ja) 目標追尾装置
Juang et al. Comparative performance evaluation of GM-PHD filter in clutter
KR102589987B1 (ko) 영상 및 레이더 특징 학습 기반 온라인 다중 객체 추적 방법 및 장치
CN114924285B (zh) 改进的基于l形模型的激光雷达车辆跟踪方法、系统及介质
EP4220224A1 (en) Method and device for detecting and tracking objects and driver assistance system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant